We zijn verheugd om de Amazon Forecast Weather Index aan te kondigen, die uw voorspellingsnauwkeurigheid kan verhogen door automatisch lokale weersinformatie op te nemen in uw vraagvoorspellingen met één klik en zonder extra kosten. Weersomstandigheden zijn van invloed op de vraagpatronen van de consument, beslissingen over de merchandising van producten, personeelsbehoeften en energieverbruik. Het verkrijgen, opschonen en effectief gebruiken van live weersinformatie voor het voorspellen van de vraag is echter een uitdaging en vereist voortdurend onderhoud. Met deze lancering kunt u nu 14-daagse weersvoorspellingen voor locaties in de VS en Europa opnemen met één klik naar uw vraagvoorspellingen.

De Amazon Forecast Weather Index combineert meerdere weerstatistieken van historische weersgebeurtenissen en huidige voorspellingen op een bepaalde locatie om de nauwkeurigheid van uw vraagvoorspellingsmodel te vergroten. Amazon voorspelling maakt gebruik van machine learning (ML) om nauwkeurigere vraagvoorspellingen te genereren, zonder enige eerdere ML-ervaring. Forecast biedt ontwikkelaars dezelfde technologie die bij Amazon.com wordt gebruikt als een volledig beheerde service, waardoor het niet meer nodig is om bronnen te beheren of uw systemen opnieuw op te bouwen.

Veranderingen in lokale weersomstandigheden kunnen van invloed zijn op de kortetermijnvraag naar producten en diensten op bepaalde locaties voor veel organisaties in de detailhandel, horeca, reizen, entertainment, verzekeringen en energiedomeinen. Hoewel historische vraagpatronen een seizoensgebonden vraag laten zien, is het vooraf plannen van dagelijkse variatie moeilijker.

In gebruikssituaties voor voorraadbeheer in de detailhandel heeft de dagelijkse variatie in het weer invloed op het voetverkeer en de productmix. Typische vraagvoorspellingssystemen houden geen rekening met verwachte weersomstandigheden, wat op sommige locaties leidt tot uitval of overtollige voorraad, waardoor de voorraad halverwege de week moet worden overgedragen. Retailers die weten dat er een hittegolf wordt verwacht, kunnen er bijvoorbeeld voor kiezen om airconditioners van distributiecentra naar specifieke winkellocaties te overvoorraden. Of ze kunnen ervoor kiezen om verschillende soorten kant-en-klaarmaaltijden te bereiden, afhankelijk van de weersomstandigheden.

Buiten de vraag naar producten hebben weersomstandigheden ook invloed op de personeelsbehoefte. Restaurants kunnen bijvoorbeeld een betere balans vinden tussen personeel dat afhankelijk is van bestellingen voor eten en afhalen, of bedrijven met magazijnen kunnen beter voorspellen hoeveel werknemers aan het werk komen als gevolg van een verstoord transport. Hoewel winkelmanagers mogelijk eenmalige voorraadbeslissingen kunnen nemen op basis van weersomstandigheden op basis van hun intuïtie en beoordelingsvermogen, wordt het moeilijker om beslissingen te nemen over aankopen, voorraadplaatsing en personeelsbeheer.

De dagelijkse variatie in het weer heeft ook invloed op hyperlokale on-demand services die afhankelijk zijn van een efficiënte afstemming van vraag en aanbod op schaal. Een dreigende storm kan leiden tot een grote vraag naar lokale ritten of bezorgdiensten, en kan ook van invloed zijn op het aantal beschikbare chauffeurs. Met de informatie van aanstaande weersveranderingen kunt u beter voldoen aan de vraag van de klant. Het programmatisch toepassen van lokale weersinformatie op schaal kan u helpen om vraag en aanbod preventief op elkaar af te stemmen.

Het voorspellen van toekomstige weersomstandigheden is gebruikelijk, en hoewel het mogelijk is om deze voorspellingen te gebruiken om de vraag naar producten en diensten nauwkeuriger te voorspellen, kan het in de praktijk moeilijk zijn om dit te doen. Het verkrijgen van uw eigen historische weergegevens en weersvoorspellingen is duur en vereist constante gegevensverzameling, aggregatie en opschoning. Bovendien is het zonder expertise in het weerdomein een uitdaging om metrische gegevens over het ruwe weer om te zetten in voorspellende gegevens.

Met de lancering van vandaag kunt u met behulp van Forecast rekening houden met lokale dagelijkse weersveranderingen om de vraag beter te voorspellen, met slechts één klik en zonder extra kosten. Wanneer u de weerindex gebruikt, traint Forecast een model met historische weersinformatie voor de locaties van uw activiteiten en gebruikt de laatste 14-daagse weersvoorspellingen voor items die worden beïnvloed door dagelijkse variaties om nauwkeurigere vraagvoorspellingen te maken.

Tom Summerfield is de directeur van Retail bij Piek.AI, een toegankelijk AI-systeem dat de kracht van data gebruikt om mensen te helpen, niet te verdringen, om de bedrijfsefficiëntie en productiviteit te verbeteren. Summerfield zegt: “Bij Peak werken we met klanten uit de detailhandel, CPG en productie, die allemaal weten dat het weer een sterke rol speelt bij het bepalen van het koopgedrag van de consument. Variatie in het weer heeft uiteindelijk invloed op de vraag naar producten en de mix van het productpakket. Onze klanten vragen ons regelmatig om het weer op te nemen in hun vraagvoorspelling. Nu Amazon Forecast een weerfunctie heeft toegevoegd, kunnen we deze inzichten nu naadloos integreren en de nauwkeurigheid van onze modellen voor vraagplanning verbeteren. "

De Weerindex is momenteel geoptimaliseerd voor planning van de vraag in winkels en lokale on-demand services, maar kan nog steeds waarde toevoegen aan scenario's waarin het weer de vraag beïnvloedt, zoals stroom en nutsvoorzieningen. Op het moment van schrijven is de weerindex alleen beschikbaar voor regio's in de VS en Europa. Andere regio's zullen binnenkort beschikbaar komen. Voor meer informatie over begrenzingskaders voor breedtegraad en lengtegraad en ondersteunde Amerikaanse postcodes, zie Weerindex.

De weerindex gebruiken voor uw prognoses

U kunt lokale weersinformatie aan uw model toevoegen door tijdens de training de weerindex toe te voegen. In dit gedeelte doorlopen we de stappen om de weerindex op de prognoseconsole te gebruiken. Voor dit bericht gebruiken we de New York City Taxi-gegevensset​ Raadpleeg het volgende om de stappen via de API's te bekijken notebook in onze GitHub-opslagplaats, waar we een opgeschoonde versie van de New York Taxi-dataset klaar hebben staan ​​voor gebruik.

De dataset van New York Taxi heeft 260 locaties en wordt gebruikt om de vraag naar taxi's per locatie per uur voor de komende 7 dagen (168 uur) te voorspellen.

1. Maak in de prognoseconsole een gegevenssetgroep.

2. Upload de historische vraaggegevensset als de beoogde tijdreeks. Deze dataset moet geolocatiegegevens bevatten om de weerindex te kunnen gebruiken.
3. kies Schemabouwer.
4. Kies je locatie-indeling (voor dit bericht bevat de dataset de lengte- en breedtegraadcoördinaten). 

Forecast ondersteunt ook alleen postcodes voor de VS.

5. Voor Gegevens importeren gegevenssetselecteer Selecteer tijdzone.
6. Kies uw tijdzone (voor dit bericht kiezen we Amerika / New York).

U kunt een enkele tijdzone toepassen op de volledige gegevensset of Forecast vragen om een ​​tijdzone af te leiden uit de geolocatie van elke item-ID in de doeltijdreeksgegevensset.

7. Kies in het navigatievenster onder uw gegevensset voorspellers.
8. Kies Trainen voorspeller.

9. Voor Voorspellingshorizon, kiezen 168.
10. Voor Voorspellingsfrequentie, kiezen uur.
11. Voor Aantal backtest-vensters, kiezen 3.
12. Voor Backtest venster offset, kiezen 168.
13. Voor Prognosetypen, kies p50, p60 en p70.
14. Voor Algoritme, kunt u AutoML voor prognose selecteren om het beste algoritme voor uw gegevensset te vinden, of u kunt een specifiek algoritme selecteren. Voor dit bericht selecteren we DeepAR + Met Optimalisatie van hyperparameters ingeschakeld voor Forecast om het model te optimaliseren.
15. Onder Ingebouwde datasetsselecteer Schakel Weerindex in om de weerindex toe te passen op uw trainingsmodel. Voor dit bericht hebben we ook geselecteerd Schakel Feestdagen voor VS in, omdat we veronderstellen dat vakanties een impact zullen hebben op de vraag naar taxi's.

Als u het notebook in onze GitHub-opslagplaatsnoemen we dit voorspeller nyctaxi_demo_weather_deepar​ Tijdens het trainen van het model gebruikt Forecast het historische weer om de weerindex alleen toe te passen op die items die worden beïnvloed door het weer om de nauwkeurigheid van itemniveau te verbeteren.

16. Nadat uw voorspeller is getraind, kiest u uw voorspeller op de voorspellers pagina om de details van de nauwkeurigheidsstatistieken te bekijken.

17. Op de detailpagina van de voorspeller kunt u de nauwkeurigheidscijfers van het model bekijken en kiezen Exporteer backtestresultaten in de Metrische gegevens voor voorspellers

Prognose biedt verschillende meetgegevens voor modelnauwkeurigheid waarmee u de kracht van uw prognosemodellen kunt beoordelen. We bieden de gewogen kwantielverlies (wQL) -metriek voor elk geselecteerd distributiepunt, ook wel kwantielen, en gewogen absolute procentuele fout (WAPE) en wortel gemiddelde kwadratische fout (RMSE), berekend op basis van de gemiddelde prognose. Voor elke metriek duidt een lagere waarde op een kleinere fout en dus op een nauwkeuriger model. Al deze nauwkeurigheidsstatistieken zijn niet negatief. Kwantielen worden gespecificeerd bij het kiezen van uw prognosetype. Zie voor meer informatie over hoe elke metriek wordt berekend en aanbevelingen voor het beste gebruik voor elke metriek De nauwkeurigheid van het prognosemodel meten om uw bedrijfsdoelstellingen te optimaliseren met Amazon Forecast.

18. Voor S3 voorspeller backtest exportlocatie, voer de gegevens van uw Amazon eenvoudige opslagservice (Amazon S3) locatie voor het exporteren van de CSV-bestanden.

Door de backtest-resultaten te exporteren, worden de prognoses van de backtesting voor elk item en de nauwkeurigheidsstatistieken voor elk item gedownload. Dit helpt u de nauwkeurigheid van prognoses voor afzonderlijke items te meten, waardoor u een beter inzicht krijgt in de prestaties van uw prognosemodel voor de items die de meeste invloed hebben op uw bedrijf. Zie voor meer informatie over de voordelen van het exporteren van backtestresultaten Amazon Forecast ondersteunt nu nauwkeurigheidsmetingen voor individuele items.

In het volgende gedeelte van dit bericht gebruiken we deze backtest-resultaten om de nauwkeurigheidsverbeteringen van het inschakelen van de weerindex te beoordelen door de nauwkeurigheid van specifieke items tussen modellen te vergelijken waarvoor je de weerindex niet hebt ingeschakeld.

19. Nadat u de nauwkeurigheid van het model heeft geëvalueerd, kunt u beginnen met het maken van prognoses door te kiezen voorspellingen in het navigatievenster.
20. Kies Maak een prognose.

Om deze voorspellingen te maken, haalt Forecast automatisch de weersvoorspellingen voor de komende 14 dagen op en past de weersvoorspelling alleen toe op die item-ID's die worden beïnvloed door het weer. In ons voorbeeld maken we prognoses voor de komende 7 dagen op uurbasis.

Beoordeling van de impact van de weerindex

Om de impact van het toevoegen van weersinformatie aan uw prognosemodellen te beoordelen, kunnen we een andere voorspeller maken met dezelfde gegevensset en instellingen, maar deze keer zonder de Weerindex in te schakelen. Als u het notebook in onze GitHub-opslagplaatsnoemen we dit voorspeller nyctaxi_demo_baseline_deepar.

Wanneer u deze voorspeller maakt, moet u niet selecteren Optimalisatie van hyperparameters voor DeepAR +, maar gebruik liever de winnende trainingsparameters van de hyperparameteroptimalisatie van het DeepAR + -model van nyctaxi_demo_weather_deepar als instelling van de trainingsparameters, voor een eerlijke vergelijking tussen de twee modellen. U kunt de winnende trainingsparameters vinden op de pagina met voorspellerdetails onder de Metrische gegevens voor voorspellers sectie. Voor dit bericht zijn deze als volgt.

"context_length": "63", "epochs": "500", "learning_rate": "0.014138165570842774", "learning_rate_decay": "0.5", "likelihood": "student-t", "max_learning_rate_decays": "0", "num_averaged_models": "1", "num_cells": "40", "num_layers": "2", "prediction_length": "168"

U kunt dan naar het voorspellers pagina om de voorspellingsstatistieken te bekijken nyctaxi_demo_baseline_deepar.

De volgende schermafbeelding toont de gegevenspagina van de voorspeller voor het nyctaxi_demo_baseline_deepar model dat is getraind zonder de weerindex in te schakelen. De voorspellende statistieken voor nyctaxi_demo_weather_deepar met weer ingeschakeld wordt hierboven weergegeven na de stappen voor het maken van een voorspeller.

De volgende tabel geeft een overzicht van de voorspellende meetgegevens voor de twee modellen. Prognose biedt de metriek voor gewogen kwantielverlies (wQL) voor elk kwantiel, en de metriek voor gewogen absolute procentuele fout (WAPE) en RMSE (root mean square error), berekend op basis van de gemiddelde prognose. Voor elke metriek duidt een lagere waarde op een kleinere fout en dus op een nauwkeuriger model. Het model met de weerindex is nauwkeuriger, met lagere waarden voor elke metriek.

U kunt nu de backtestresultaten voor beide voorspellers exporteren om de voorspellingsnauwkeurigheid op artikelniveau te beoordelen. Met de backtest-resultaten kunt u ook een visualisatietool zoals Amazon QuickSight om grafieken te maken waarmee u de modelnauwkeurigheid van beide voorspellers kunt visualiseren en vergelijken door de prognoses uit te zetten tegen de werkelijke waarden voor items die voor u belangrijk zijn. De volgende grafiek visualiseert de vergelijking van de modellen met en zonder de weerindex met de werkelijke vraag naar een paar items in de dataset bij het kwantiel van 0.60.

Voor 27 februari hebben we ingezoomd om het verschil in nauwkeurigheden op uurniveau beter te kunnen inschatten.

Hier laten we de omvang van de fout zien voor elk item-ID voor de twee modellen. Lagere foutwaarden komen overeen met een nauwkeuriger model. De meeste items in het model met de weerindex hebben fouten onder 0.05.

Tips en praktische tips

Houd bij het gebruik van de weerindex rekening met de volgende best practices:

• Voordat u de weerindex gebruikt, moet u uw gebruiksscenario en de prognose-uitdaging definiëren. Evalueer of uw bedrijfsprobleem wordt beïnvloed door het dagelijkse weer, want de Weerindex is alleen beschikbaar voor kortetermijngebruik van 14-daagse voorspellingen. Wekelijkse, maandelijkse en jaarlijkse frequenties worden niet ondersteund, dus gebruiksscenario's waarbij u voorspellingen doet voor het volgende seizoen, profiteren niet van de weerindex. Alleen dagelijkse, uur- en minuutfrequenties zijn acceptabel om de weerindex te gebruiken.
• Om te experimenteren, begint u met het identificeren van de belangrijkste item-ID's voor uw bedrijf waarvan u de nauwkeurigheid van uw prognoses wilt verbeteren. Meet de nauwkeurigheid van uw bestaande prognosemethodologie als uitgangspunt en vergelijk die met de nauwkeurigheid van die items met Prognose.
• Voeg stapsgewijs de weerindex, gerelateerde tijdreeksen of itemmetagegevens toe om uw model te trainen om te beoordelen of aanvullende informatie de nauwkeurigheid verbetert. Verschillende combinaties van gerelateerde tijdreeksen, itemmetadata en ingebouwde datasets kunnen u verschillende resultaten opleveren.
• Om de impact van de Weerindex te beoordelen, moet u eerst een model trainen met alleen uw doeltijdreeksen en vervolgens een ander model maken met de Weerindex ingeschakeld. We raden aan om voor deze vergelijking dezelfde voorspellende instellingen te gebruiken, omdat verschillende hyperparameters en combinaties van gerelateerde tijdreeksen verschillende resultaten kunnen geven.
• Mogelijk ziet u een stijging van de trainingskosten wanneer u de weerindex gebruikt, omdat de index alleen wordt toegepast en geoptimaliseerd voor die items die worden beïnvloed door dagelijkse weersvariaties. Er zijn echter geen extra kosten verbonden aan toegang tot de weersinformatie of het gebruik van de weerindex voor het maken van weersvoorspellingen. De kosten voor training blijven $ 0.24 per trainingsuur en $ 0.60 per 1,000 voorspellingen.
• Experimenteer met meerdere distributiepunten om uw prognosemodel te optimaliseren om de kosten in verband met onder- en overprognoses in evenwicht te brengen. Kies een hoger kwantiel als u overprognoses wilt maken om aan de vraag te voldoen.
• Als u verschillende modellen vergelijkt, gebruikt u ter vergelijking de gewogen meetwaarde voor kwantielverlies in hetzelfde kwantiel. Hoe lager de waarde, hoe nauwkeuriger het prognosemodel.
• Met Forecast kunt u maximaal vijf backtest-vensters selecteren. Forecast gebruikt backtesting om voorspellers af te stemmen en nauwkeurigheidsstatistieken te produceren. Om backtesting uit te voeren, splitst Forecast automatisch uw tijdreeksgegevenssets in twee sets: training en testen. De trainingsset wordt gebruikt om uw model te trainen en de testset om de voorspellende nauwkeurigheid van het model te evalueren. We raden aan om meer dan één backtest-venster te kiezen om de selectiebias te minimaliseren, waardoor een venster bij toeval meer of minder nauwkeurig kan zijn. Het beoordelen van de algehele modelnauwkeurigheid van meerdere backtest-vensters biedt een betere maatstaf voor de sterkte van het model.

Conclusie

Met de Amazon Forecast Weather Index kunt u nu met één klik en zonder extra kosten automatisch lokale weersinformatie aan uw vraagvoorspellingen toevoegen. De weerindex combineert meerdere weerstatistieken van historische weersgebeurtenissen en huidige voorspellingen op een bepaalde locatie om de nauwkeurigheid van uw vraagvoorspellingsmodel te vergroten. Zie om met deze mogelijkheid te beginnen Weerindex en ga door de notebook in onze GitHub-opslagplaats die u helpt bij het gebruik van de Forecast API's om de Weather Index in te schakelen. U kunt deze mogelijkheid gebruiken in alle regio's waar de prognose openbaar beschikbaar is. Zie voor meer informatie over de beschikbaarheid van regio's AWS Regionale diensten.

Over de auteurs

Namita Das is een Sr. Product Manager voor Amazon Forecast. Haar huidige focus is om machine learning te democratiseren door het bouwen van no-code / low-code ML-services. Daarnaast adviseert ze regelmatig startups en voedt ze een puppy op die Imli heet.

Gunjan Garg is Sr. Software Development Engineer in het AWS Vertical AI-team. In haar huidige functie bij Amazon Forecast richt ze zich op technische problemen en vindt ze het leuk om schaalbare systemen te bouwen die de meeste waarde bieden aan eindgebruikers. In haar vrije tijd speelt ze graag Sudoku en Mijnenveger.

Christi Bergman werkt als AI / ML Specialist Solutions Architect bij AWS. Haar werk omvat het helpen van AWS-klanten om succesvol te zijn met het gebruik van AI / ML-services om zakelijke problemen op te lossen. Voordat ze bij AWS kwam, werkte Christy als data scientist in de bank- en software-industrie. In haar vrije tijd houdt ze van wandelen en vogels kijken.

Bron: https://aws.amazon.com/blogs/machine-learning/amazon-forecast-weather-index-automatically-include-local-weather-to-increase-your-forecasting-model-accuracy/